车牌图像分类识别技术研究

钟彩　彭春富　傅波　胡常乐

摘要：在现阶段的交通管理领域，普遍应用车牌识别系统是交通信息化的一个重要组成部分。为了提高车牌图像识别技术应用的效果，文章围绕车牌图像分类识别技术做出分析，在保证车牌图像识别精度基础上提高识别的效率。本文首先介绍车牌图像分类识别技术，了解该技术基本情况；其次介绍车牌图像采集技术、车牌图像特征值提取与分类器、车牌图像处理技术3种车牌图像分类识别的常见技术，了解不同技术在车牌图像分类识别中的应用要点；最后提出加大采集图像内容与质量控制力度、建立车牌识别样本数据库、明确车牌图像识别规范3点建议，明确今后车牌图像分类识别技术的发展方向，以期能够为今后车牌图像分类识别的发展夯实基础。

关键词：车牌图像；分类识别技术；卷积神经网络模型算法；sigmoid激活函数

中图分类号：TP391文献标志码：A0引言在交通管理领域，车牌的样式各有不同，但是车牌识别的原理却大致相同，按照车牌图案纹理特点、边缘信息等，对车牌进行定位、分割和识别，其中涉及采集车牌图像、图像预处理以及车牌识别等流程。判断车牌识别系统质量的重要指标之一是识别精度，在确保识别精度基础上，还需要进一步提高识别的速度。目前，采用的很多车牌识别系统，在识别车牌图像方面，识别精度与效率存在对立现象，即需要长时间识别才能够保证图像识别精度。

1车牌图像分类识别技术概述1.1车牌图像分类识别技术原理从20世纪90年代至今，数字图像处理基础理论越发完善，伴随视频处理、计算机信息等技术水平的提升，我国车牌图像识别技术得到广泛应用，并且在研发与实践中总结了关键技术算法，获得了比较理想的应用成果［1］。

现有关于车牌图像识别的技术，以车牌区域定位技术、单个字符区域切分技术、字符分类识别技术为主。车牌区域定位的相关资料显示，在神经网络分类器基础上进行车牌区域定位，或者是利用彩色图像特征定位车牌区域，纹理检测与边缘检测实现车牌区域定位等，均是比较常见的车牌区域定位手段；车牌字符切分技术的常用方法，包括二值图像水平投影分布基础上的车牌字符切分、二值图像字符区域上下轮廓分布基础上的车牌字符切分等；车牌字符分类识别技术，主要是以特征选择、提取为主，例如二值图像所包含的字符笔画像素分布为主的字符特征、二值图像字符轮廓和骨架字符特征等。关于车牌图像分类识别技术的相关研究中，很多方法对于实际应用特征和车牌图像识别关键技术关联领域的分析还不够深入，需要在车牌图像分类识别技术优化中加以改善。

1.2现有研究成果针对车牌图像分类识别技术的研究，根据该项技术的应用现状，可以肯定的是技术本身已经有了比较显著的应用成果。雷得超等［1］在《基于OpenCV图像处理车牌识别系统分析研究》中，对OpenCV基础上的图像处理车牌识别系统研发进行了介绍，对已有的车牌识别做出优化与改进。徐胜军等［2］通过《一种编解码结构的车牌图像超分辨率网络》，介绍了具有编解码结构功能的车牌图像超分辨率网络。陆志香等［3］在《基于卷积神经网络的复杂光照变化车牌图像识别》中，对卷积神经网络与复杂光照变化车牌图像识别的融合做出论述，对于车牌图像分类识别技术的应用而言，均实现了功能与性能上的提升，也为今后车牌图像分类识别技术研发、应用夯实基础。

2车牌图像分类识别的常见技术2.1车牌图像采集技术图像采集的质量和清晰度，是车牌高效识别非常重要的基础。原理如图1所示［2］。输入系统中的车牌图像清晰度高，代表识别精度的期望值高。采集车牌原始图像，可以通过图像采集处理单元达到目的，采集人员在保证光源稳定性的基础上，应用CCD高清相机设备，感应到目标后便可进行拍摄，随后应用图像采集卡，将模拟图像转变为数字图像，数字图像做好去噪、特征加强等一系列处理。采集所获得车牌图像，必须有清晰的轮廓、纹理特征，保证空间分辨率、锐度、对比度，这是后续车牌图像识别的重要前提。

2.2车牌图像特征值提取与分类器在车牌图像分类识别过程中，首先是将车牌图像定位分割，此环节提取车牌特征。此次分析采用卷积神经网络（Convolutional Neural Networks，CNN）模型算法，该算法应用卷积层、下采样层、全连接层，将原始输入特征予以输出，如图2所示［3］。卷积层主要利用卷积核，卷积上一层特征图，再利用sigmoid激活函数，便可获得卷积层输出特征图；下采样层负责处理上一层得到的特征图，将其进行下采样加权、偏置处理，获得对应层输出特征图。当已经提取到车牌特征值，工作人员可以利用最近邻分类算法（Nearest Neighbor Classification，NNC），发挥分类判别函数、分类规则的作用完成匹配判别，以此完成车牌图像特征值的自动化分类识别。

2.3车牌图像处理技术在深度卷积神经网络基础上的图像自动识别，采用了深度学习这一技术。该技术属于机器学习范畴，是在神经网络基础上不断演变得出，对比传统形式的机器学习方法，提取特征可以免除人工参与环节，每一层特征提取均是在通用学习期间，通过数据学习获得，应用深度卷积神经网络自动特征学习、检测车牌图像。另外，此方法对训练环节标注图片没有过高的要求，车牌轮廓无需保证精准性，仅需点标注车牌字符即可。

處理过程包括模型训练、车牌图像检测这两个环节。在开展特征值学习训练期间，训练图片一般需要展开预处理。在模型训练环节，按照手工标注图片，在监督下进行训练，对深度卷积神经网络参数进行学习。进入测试环节后，测试图片需要输入至已经完成训练的深度卷积神经网络，自动获得输出结果图像，应用矩量分析法处理输出图片，即可获得车牌自动检测值［4］。上述处理过程主要采用到计算机数字图像处理技术、统计方法，识别、分析车牌特征，具有车牌图像预处理、定位分割、自动化分类识别等一系列优势。

处于实际检测场景下，车牌识别可能会受到内外部环境中因素的影响，影响降低采集车牌图像清晰度，导致图像失真。为此，应用图像处理技术既能够将图像噪声去除，保证图像细节、边缘轮廓的真实度，还原图像细节，又能够去除识别检测环节不重要的信息，以免计算机系统过多地耗损算力。基于此，结合车牌图像特征，在车牌图像分类识别期间，通常会经过高斯滤波、灰度化、二值化3个流程，文章针对上述3个处理流程展开分析。

（1）高斯滤波处理。滤波操作在信号处理、图像处理中属于比较常见的技术手段，在压缩图像数据、纹理分析以及边缘检测等方面，也有比较广泛的应用。滤波算法包括均值滤波、中值滤波、高斯滤波。均值滤波和中值滤波在应用中存在一些限制。高斯滤波属于线性平滑滤波算法，利用扫描图像的像素点，可以明确邻域范围内像素加权平均灰度值。图像展开平滑滤波处理。图像纹理特征能够最大限度地被保留。因此，高斯滤波在降低车牌图像噪声、服从正态分布车牌图像噪声等操作中应用，可以获得相对理想的平滑效果［5］。

（2）灰度化处理。数字图像以彩色、黑白色为主，尽管各个国家与地区车牌颜色存在区别，但是在识别场景中的图像颜色并非关注要点，系统处理彩色图像所形成的数据量、运算量，也远大于灰度图像。车牌图像经过灰度化处理，将一些不重要的信息及时过滤，加强图像特征轮廓。常用的灰度化方法包括分量法、最大值法、加权平均算法等，分量法可以使彩色图像包含的RGB三分量亮度转换为图像灰度值，最大值法则是将三分量亮度最大值当作图像灰度值，加权平均算法是在加权计算基础上，加深图像像素所有的三原色色彩通道内像素点颜色，使三分量能够通过相应权值，在加权平均处理后获得灰度图像。上述方法在应用中各有不同的优劣势，可以结合实际需求做出选择。在确保车牌图像处理效果、识别效率基础上，车牌识别往往应用加权平均算法。车牌图像经过灰度化处理后显示灰度值，可发现图像色彩具体明暗性［6］。

（3）二值化处理。车牌图像的二值化处理，其优势是规避一些因素的干扰，避免字符断裂和粘连等现象，而且二值化处理还可以起到加强车牌图像特征轮廓的效果，提升特征细节分辨率，减少计算机处理量，给之后边缘检测创造了条件。二值化处理流程如图3所示。在车牌图像进行二值化处理时，灰度图像经过转换之后成为二值图像，其间需要设置图像像素点灰度值，一般以0，255为主，可以保证图像的黑白呈现效果。另外，在二值化方法中，最大嫡法和直方图波形分析法的应用比较广泛。最大嫡法立足于各个维度，对图像灰度直方图进行嫡测量，从而得到最大嫡以及最为理想的二值化阈值；直方图波形分析法以灰度直方图为前提，按照图像直方图实际所有的波峰数量，得出二值化阈值。

3车牌图像分类识别技术的应用建议图像计算机识别技术比较多样化，如常见的有指纹识别、人脸识别等技术，在识别中获得了比较可观的效果。经过实践经验，发现车牌图像识别技术的准确性、稳定性等还需要进一步提升，而且在当前车牌识别领域更多只是作为一种辅助方法。为了优化车牌识别技术应用效果，文章提出几点建议。

3.1加大采集图像内容与质量控制力度在很多具有良好应用效果且已经成熟的图像识别技术中，车牌图像识别技术面对需要识别的图像样本，还需要不断提升识别内容与质量。该问题在车牌识别中也是需要重点解决的问题。长期以来根据图像处理的研究成果，探索了不同种类的车牌图像识别方法，要求保证车牌识别的稳定性和清晰性。立足于图像采集源头，加强图像内容与质量的控制，有效提升车牌识别效率。这就需要制定规范的车牌图像识别标准、车牌图像采集环境控制标准，并且引进采集车牌图像的专业设备，为车牌图像内容与质量的提升夯实基础［7］。

3.2建立车牌识别样本数据库根据已有的车牌图像识别到的信息数据，可以将其整合组建数据库，该数据库中需要列举主体数据、特殊分项数据，保证不同数据信息的数据量，详细分类。构建车牌识别样本数据库，对于车牌图像识别技术的应用而言，可以进一步推动车牌图像识别技术进步。

3.3明确车牌图像识别规范针对车牌图像的识别，必须了解与之相关的标准，这是车牌图像识别方法应用效果、识别过程的重要因素，若可以在制定与修改车牌相关标准时，重点分析车牌图像识别潜在干扰因素，可以提高识别对象效率，降低识别复杂性，保证车牌图像识别最终结果准确性。另外，在车牌图像识别过程中，还需要重点关注到交通执法、管理的基本要求，将其作为车牌图像识别要求的一项关键影响因素。如车牌存在污损或者是没有规范悬挂在相应的位置，均会增加车牌图像识别难度。面对此类问题，便可以通过交通执法与管理予以解决，提高车牌图像识别效率。

4结语综上所述，车牌图像分类识别技术在应用中，需要重点解决识别质量、识别效率等问题，根据已经得出的技术实操经验和研究成果，技术人员对现有分类识别技术进行改进与优化，在提高车牌图像分类识别效率与精度的同时，可以满足更加多元化的分类识别要求，从而进一步提高车牌识别系统质量。

参考文献

［1］雷得超，任守华.基于OpenCV图像处理车牌识别系统分析研究［J］.电脑与信息技术，2022（4）：15-17.

［2］徐胜军，邓博文，史亚，等.一种编解码结构的车牌图像超分辨率网络［J］.西安交通大学学报，2022（10）：101-110.

［3］陆志香，杨梅.基于卷积神经网络的复杂光照变化车牌图像识别［J］.激光杂志，2022（5）：145-150.

［4］余偉.基于卷积神经网络的车牌图像识别技术实现［J］.信息记录材料，2022（5）：154-156.

［5］李冰洁.MATLAB图像处理技术在车牌识别中的应用［J］.上海电气技术，2022（1）：45-48.

［6］孙鹏，李赛，寇鹏，等.基于手持设备图像的车牌定位与车牌识别系统设计［J］.软件工程，2022（1）：29-32.

［7］曾淦雄，柯逍.基于3D卷积的图像序列特征提取与自注意力的车牌识别方法［J］.智能科学与技术学报，2021（3）：268-279.

（编辑 王永超）

Research on license plate image classification and recognition technologyZhong  Cai， Peng  Chunfu， Fu  Bo， Hu  Changle

（Changde Vocational Technical College， Changde 415000， China）Abstract：  Vehicle license plate recognition system is widely used in the field of traffic management at present， which is also an important component of traffic informationization. In order to improve the application effect of license plate image recognition technology， this paper analyzes the classification and recognition technology of license plate image， improves the recognition efficiency on the basis of guaranteeing the recognition accuracy of license plate image. Firstly， this paper introduces the technology of license plate image classification and recognition， and understands the basic situation of this technology. Secondly， this paper introduces three common techniques of license plate image classification and recognition， which are license plate image collection technology， license plate image eigenvalue extraction and classifier， license plate image processing technology， to understand the application of different techniques in license plate image classification and recognition. Thirdly， three suggestions are put forward， which are to strengthen the collection of image content and quality control， to establish the database of license plate recognition samples， to define the license plate image recognition standard， and to clarify the development direction of license plate image classification and recognition technology in the future， in order to be able to future license plate image classification and recognition of the development of a solid foundation.

Key words： license plate image; classification and recognition technology; convolutional neural network model algorithm; sigmoid activation function